Primer ejercicio
Punto A
tablas_activos <- proyeccion_demografica_activos(base_empleados, tablas_supen)
llamamos es script con los gráficos.
source('code/graficos_activos.R')
Caso hombres
fig_hombres_vivos_activos
Caso mujeres
fig_mujeres_vivas_activas
Punto B
Punto C
Caso hombres
fig_hombres_muertes_activos
Caso mujeres
fig_mujeres_muertes_activas
Punto D
Punto E
Para esta sección, se toman las proyecciones demográficas ya hechas anteriormente.
En primer lugar, creamos las tablas en cuestión que nos ayudarán a graficar.
tablas_proy_fin <- proyeccion_financiera(tablas_activos, inflacion = 0.03)
fig_proy_financiera <- plot_ly(tablas_proy_fin, x = ~Annos) %>%
add_lines(y = ~Total, name = 'Proyeccion', line = list(color = '#698B69')) %>%
layout(
title = "Proyeccion financiera de activos vivos según el año",
xaxis = list(title = 'Edad'),
yaxis = list(title = 'Personas'),
legend = list(title = list(text = 'Estado'), orientation = 'h', xanchor = 'center', x = 0.5)
)
fig_proy_financiera
Punto f
Proyeccion_beneficios_muerte_pensionados <- Proyeccion_financiera_muerte_pensionados(proy_pensionados_muertos = proy_pensionados_muertos, suma_asegurada_pensionados = 1000000)
fig_proy_finan_muerte_pen <- plot_ly(Proyeccion_beneficios_muerte_pensionados, x = ~Anno) %>%
add_lines(y = ~beneficio_muerte, name = 'Proyeccion', line = list(color = '#698B69')) %>%
layout(
title = "Proyeccion de los beneficios por muerte para pensionados según el año",
xaxis = list(title = 'Edad'),
yaxis = list(title = 'Personas'),
legend = list(title = list(text = 'Estado'), orientation = 'h', xanchor = 'center', x = 0.5)
)
fig_proy_finan_muerte_pen
Punto g
Proyeccion_pension <- Proyeccion_financiera_pension(proy_pensionados_vivos = proy_pensionados_vivos, pension_mensual = 300000)
fig_proy_financiera_pension <- plot_ly(Proyeccion_pension, x = ~Anno) %>%
add_lines(y = ~anualidad, name = 'Proyeccion', line = list(color = '#698B69')) %>%
layout(
title = "Proyeccion de pensiones según el año",
xaxis = list(title = 'Edad'),
yaxis = list(title = 'Personas'),
legend = list(title = list(text = 'Estado'), orientation = 'h', xanchor = 'center', x = 0.5)
)
fig_proy_financiera_pension
Punto h
Estas son las primas para cada empleado
Primas<-Calcula_prima_individuales(base_empleados,tablas_supen,5000000,1000000,300000)
Punto i
Para la prima nivelada, se toman la suma de las esperanzas de los beneficios futuros y se divide por la suma de las esperanza del valor presente de las primas futuras, dando como resultado la prima nivelada anual.
Prima_nivelada <- (sum(Primas$beneficios) / sum(Primas$anualidad) )
Punto j
Dado que la idea de este ejercicio es reducir las primas un 10%, calculo cuál es la suma que representa el 90% de las primas originales, para acercarnos a ellas.
#Calcula cuánto es el 90% de las primas obtenidas
Primas_90_porciento <- data.frame(Empleado = Primas$Empleado,
Menos_10_porciento = (Primas$Primas)*0.9)
La primera alternativa para reducir la prima 10%:
# Se calculan primas con:
# Suma asegurada de 5 millones durante el tiempo de ser empleado activo
# Suma asegurada de 5 millones durante pensión
# Primer año de pensión con mensualidad de 265.500 colones
Primas1_menos_10 <- Calcula_prima_individuales(base_empleados,tablas_supen,5000000,5000000,265500)
#se usa regla de 3 para verificar que la nueva prima sea aproximadamente el 90% de la original
Verifica1_90_porciento = data.frame(original_90 = Primas_90_porciento$Menos_10_porciento,
editada = Primas1_menos_10$Primas,
porcentaje= (Primas1_menos_10$Primas / Primas$Primas) * 100)
#Imprime el porcentaje promedio que representan las nuevas primas de las originales
print(sum(Verifica1_90_porciento$porcentaje)/nrow(Verifica1_90_porciento))
## [1] 89.77784
La Segunda alternativa para reducir la prima 10%:
# Se calculan primas con:
# Suma asegurada de 1 millón durante el tiempo de ser empleado activo
# Suma asegurada de 1 millón durante pensión
# Primer año de pensión con mensualidad de 271.000 colones
Primas2_menos_10 <- Calcula_prima_individuales(base_empleados,tablas_supen,1000000,1000000,271000)
#se usa regla de 3 para verificar que la nueva prima sea aproximadamente el 90% de la original
Verifica2_90_porciento = data.frame(original_90 = Primas_90_porciento$Menos_10_porciento,
editada = Primas2_menos_10$Primas,
porcentaje= (Primas2_menos_10$Primas / Primas$Primas) * 100)
#Imprime el porcentaje promedio que representan las nuevas primas de las originales
print(sum(Verifica2_90_porciento$porcentaje)/nrow(Verifica2_90_porciento))
## [1] 89.72341